مقاله ترجمه شده طبقه بندی سری های زمانی با استفاده از مدل ترکیبی گاسیان در ارتباط با مراحل بازسازی

روش های طبقه بندی جدید ارائه شده است که بر مبنای مدل سازی دینامیک سیستم ها می باشد که در مراحل بازسای مورد محاسبه قرار می گیرد. این مدل سازی ها بر مبنای استفاده از مدل ترکیبی کوواریانس گاسیان در ارتباط با حوزه زمانی در مقایسه با فعالیت های کنونی و جاری در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تجزیه و تحلیل سیستم های خطی با استفاده از محتوای فرکانس و یا مدل های یادگیری ماشینی غیر خطی همانند شبکه های عصبی مصنوعی می باشد. روش های مطرح شده دارای مبناهای نظری قوی می باشند که بر اساس سیستم های دینامیکی و برهان های توپولوژیکی می باشند که منجر به بازسازی سیگنالی می گردند و برای اینکه در ارتباط با این سیستم باشند دارای پارامترهای انتخابی مناسبی می باشند. این الگوریتم ها به طور اتوماتیک این پارامترها را ارزیابی کرده که مراحل بازسازی را به طور مناسبی ایجاد کنند و نیازمند تعدادی از آمیزه ها , سیگنال ها و طبقه بندی ها به عنوان یک طبقه می باشند.سه نوع اطلاعات جداگانه در ارتباط با ارزیابی ها مورد استفاده قرار می گیرند که شامل موتور شبیه ساز , دستگاه ثبت ضربان قلب و امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در طول این حوزه های مختلف قدرتمند بوده و به طور مهمی شبکه های عصبی بر مبنای وقفه زمانی فعالیت می کنند.

Abstract—A new signal classification approach is presented that is based upon
modeling the dynamics of a system as they are captured in a reconstructed phase
space. The modeling is done using full covariance Gaussian Mixture Models of
time domain signatures, in contrast with current and previous work in signal
classification that is typically focused on either linear systems analysis using
frequency content or simple nonlinear machine learning models such as artificial
neural networks. The proposed approach has strong theoretical foundations
based on dynamical systems and topological theorems, resulting in a signal
reconstruction, which is asymptotically guaranteed to be a complete
representation of the underlying system, given properly chosen parameters. The
algorithm automatically calculates these parameters to form appropriate
reconstructed phase spaces, requiring only the number of mixtures, the signals,
and their class labels as input. Three separate data sets are used for validation,
including motor current simulations, electrocardiogram recordings, and speech
waveforms. The results show that the proposed method is robust across these
diverse domains, significantly outperforming the time delay neural network used
as a baseline.

تعداد صفحه های فارسی12
تعداد صفحه های انگلیسی5
سال انتشار2004

• مشخصات محصول
• دسته‌بندی محصول
• برچسب‌ها
• دیدگاه‌ها